论文部分内容阅读
待识对象的特征检测是各种智能系统(如机器人,医疗诊断仪器等)实现智能信息处理的基础。其应用的日益广泛性、任务的复杂性、工作环境的不确定性和特殊性、其自身资源的有限性及特征检测的时效性、决定了其研究任务的挑战性和艰巨性。然而,对特征检测可靠性和安全性日益增加的需求,又不断加大了研究解决这一问题的紧迫性。因此,探索准确高效的特征检测理论、方法和技术已经成为研究的重要内容之一。本文主要探讨如何以基于机器学习及相关途径相结合的方式,利用有限系统资源高效实现实时特征检测的相关理论与技术问题。本文着重针对时序和图像特征检测方面的问题,提出了一些相应的算法。并验证了其有效性。本文的主要创新点包括(1).在研究分析OCSVM及PSO模型特点和综合前人研究成果基础上,提出OCSVM_CPSO组合式异常检测模型,实现了系统的自适应调节,解决了检测系统的在线运行问题,从而为其现实应用扫除了障碍。并将其应用于解决机器人传感器故障检测的实际问题。取得较好效果。(2).针对SAX模型容易丢失边界区信息问题,提出时序数据的DLS模型。它根据时序极值确定划分的上下边界,并根据最大熵确定最佳描述字符集,进而确定最佳划分间隔。从而能有效减少边界区的信息丢失;针对EXT_SAX模型缺陷,提出VSB模型,采用增加分量而非增加符号的途径来降低计算代价。且用实验证实它的有效性。(3).提出时序矢量符号的SFVS模型和相应的确定时序数据最大压缩比的方法,此模型能够比SAX提供更全面的描述信息,这有利于在时序特征检测的应用中实现更精确的分析。通过理论分析和实验证实了它的有效性。(4).针对自调节谱聚类缺陷,提出一种新的ASC(自适应谱聚类)算法。它用全局平均N近邻距离作为比例参数σ,利用本征矢差异来估计最佳聚类分组数k,这可在构造亲和力矩阵时减少计算代价,提高效率,并且更容易实现。在彩色图像检测与分割实际应用中的实验结果证实了其有效性。在此基础上提出改进聚类性能的相关半监督学习算法,且用实验证实了它的有效性。